论文用轨迹搜索把可恢复失败转为 RLVR 训练数据。
资讯摘要
论文提出 ReSI-Math 框架，指出模型直接解题失败并不代表缺乏相应能力，部分失败可通过轨迹级搜索恢复，形成依赖策略的“可恢复能力前沿”。该框架用 Self-Judge 引导的进化搜索识别可恢复失败，并随策略演化自适应选取前沿问题用于序列 RLVR。作者报告在 Qwen3-VL-8B 上，621 次尝试产生 272 条验证器确认正确的后代轨迹（43.8%）；经三段 one-shot RLVR 后，MATH500 与 WE-MATH 平均分从 78.71 升至 80.16。
要点速读
- 论文指出直接失败不等于能力缺失，部分推理失败可通过模型自身轨迹搜索恢复，构成可恢复能力前沿。
- ReSI-Math 用 Self-Judge 引导的进化搜索定位可恢复失败，并随策略演化自适应选择前沿问题做序列 RLVR。
- 作者报告 Qwen3-VL-8B 上 621 次尝试得到 272 条验证器确认正确的后代（43.8%），三段 RLVR 后 MATH500 与 WE-MATH 平均分由 78.71 升至 80.16。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。